PyTorch学习笔记——常用函数总结（一）
torch.squeeze() 和torch.unsqueeze()——对数据的维度进行压缩或者解压
(1) torch.squeeze(input, dim=None, out=None) 函数详解：
核心功能：
这个函数主要对数据的维度进行压缩，去掉维数为1的的维度。比如：是一行或者一列这种，一个一行三列（1,3）的数去掉第一个维数为一的维度之后就变成（3）行。b=torch.squeeze(a，N) 就是将a中所有为1的维度删掉，不为1的维度没有影响。
参数说明：
- input (Tensor): 输入张量（the input tensor.）
- dim (int, optional): 将输入Tensor的第dim个维度位置进行压缩，如果输入Tensor此处维度为1则压缩成功，否则失败。如果该参数给定，则输入张量将仅在该维度上压缩（if given, the input will be squeezed only in this dimension.），如果该参数不给定，则默认将输入Tensor所有维度为1的进行压缩。参数
dim的取值范围为：[-input.dim(), input.dim()-1] 。
x = torch.zeros(2, 1, 2, 1, 2)
x
>>>
tensor([[[[[0., 0.]],
[[0., 0.]]]],
[[[[0., 0.]],
[[0., 0.]]]]])
print(x.size())
>>> torch.Size([2, 1, 2, 1, 2])
y = torch.squeeze(x)
y
>>>
tensor([[[0., 0.],
[0., 0.]],
[[0., 0.],
[0., 0.]]])
print(y.size())
>>> torch.Size([2, 2, 2])
# 如果第一个维度为一，则将其进行压缩；否则，不能压缩
y = torch.squeeze(x, 0) # 或者 y = torch.squeeze(x, dim=0)
print(y.size())
>>> torch.Size([2, 1, 2, 1, 2])
# 如果第二个维度为一，则将其进行压缩
y = torch.squeeze(x, 1) # 或者 y = torch.squeeze(x, dim=1)
print(y.size())
>>> torch.Size([2, 2, 1, 2])
# 如果第三个维度为一，则将其进行压缩；否则，不能压缩
y = torch.squeeze(x, 2) # 或者 y = torch.squeeze(x, dim=2)
print(y.size())
>>> torch.Size([2, 1, 2, 1, 2])
# 如果第四个维度为一，则将其进行压缩
y = torch.squeeze(x, dim=3) # 或者 y = torch.squeeze(x, dim=3)
print(y.size())
torch.Size([2, 1, 2, 2])
# 如果第五个维度为一，则将其进行压缩
y = torch.squeeze(x, dim=4) # 或者 y = torch.squeeze(x, dim=4)
print(y.size())
torch.Size([2, 1, 2, 1, 2])
- out (Tensor, optional): 输出张量（the output tensor.）
(2) torch.unsqueeze(input, dim)函数详解：
核心功能：
在tensor的某个维度上添加一个维数为1的维度，这个功能用view()函数也可以实现。比如：原本有个三行的数据（3），在0的位置加了一维就变成一行三列（1,3）。a.unsqueeze(N) 就是在a中指定位置N加上一个维数为1的维度。还有一种形式就是b=torch.unsqueeze(a，N) a就是在a中指定位置N加上一个维数为1的维度。这一功能尤其在神经网络输入单个样本时很有用，由于pytorch神经网络要求的输入都是mini-batch型的，维度为[batch_size, channels, w, h]，而一个样本的维度为[c, w, h]，此时用unsqueeze()增加一个维度变为[1, c, w, h]就很方便了。
参数说明：
- input (Tensor)：输入张量（the input tensor.）
- dim (int)：插入维数为一的维度的位置（the index at which to insert the singleton dimension.）参数
dim的取值范围为：[-input.dim() - 1, input.dim() + 1)
备注： 以0为分界，正向取值和反向取值的效果相同，其原理类似DataFrame中的正向、反向切片操作。正向取值时，0表示行，1表示列；反向取值时，-1表示列，-2表示行。
\quad
例如：若input。dim()==1，此时，dim的取值范围为[-2,2)，正向取值时——dim=0（表示：行维度为1，即：新生成Tensor的shape为 torch.Size([1, 100]) ）；dim=1（表示：列维度为1，即：新生成Tensor的shape为 torch.Size([100, 1]) ））。反向取值时——dim=-2（表示：行维度为1，即：新生成Tensor的shape为 torch.Size([1, 100]) ）；dim=-1（表示：列维度为1，即：新生成Tensor的shape为 torch.Size([100, 1]) ）
a = torch.linspace(-1, 1, 100) # 生成-1到1的100个数构成的等差数列
print(a.shape)
>>> torch.Size([100])
x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # dim=1,表示列方向维度为1
print(x.shape)
>>> torch.Size([100, 1])
x = torch.tensor([1, 2, 3, 4])
torch.unsqueeze(x, 0)
>>> tensor([[ 1, 2, 3, 4]])
torch.unsqueeze(x, 1)
>>> tensor([[ 1],
[ 2],
[ 3],
[ 4]])
x = torch.zeros(2, 2, 2)
print(x.shape)
>>> torch.Size([2, 2, 2])
# 在input的第三个维度上扩充维度1
y = torch.unsqueeze(x, dim=2)
print(y.shape)
>>> torch.Size([2, 2, 1, 2])
注意事项：squeeze(input, dim=None, out=None)和unsqueeze(input, dim)中的参数dim含义相同，均代表在input的第dim个位置维度处进行维度1的压缩或扩充。
torch.linspace() ——线性间距向量
torch.linspace(start, end, steps=100, out=None) 函数详解：
核心功能：
返回一个1维张量，包含在区间start和end上均匀间隔的step个点。输出张量的长度由steps决定。
参数说明：
- start (float)：区间的起始点
- end (float)：区间的终点
- steps (int)：在start和end间生成的样本数
- out (Tensor, optional) ：结果张量
#生成0到10的4个数构成的等差数列
a = torch.linspace(0,10,steps=4)
print(a)
>>>
tensor([ 0.0000, 3.3333, 6.6667, 10.0000])
#生成0到10的5个数构成的等差数列
b = torch.linspace(0,10,steps=5)
print(b)
>>>
tensor([ 0.0000, 2.5000, 5.0000, 7.5000, 10.0000])
torch.randn() 和torch.rand()——标准正态分布和均匀分布
torch.randn(*sizes, out=None) 函数详解：
核心功能：
返回一个张量Tensor，包含了从 标准正态分布（均值为0，方差为1 ——即：高斯白噪声） 中抽取的一组随机数。张量的形状由参数sizes定义。
参数说明：
- sizes (int…) - 整数序列，定义了输出张量的形状
- out (Tensor, optinal) - 结果张量
torch.rand(*sizes, out=None) 函数详解：
核心功能： 用于生成[0,1)之间的 均匀分布
torch.zeros()——常见指定形状的值为0的张量
zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) -> Tensor 函数详解：
核心功能：
返回一个形状为为size,类型为torch.dtype，里面的每一个值都是0的tensor
典型范例：
torch.zeros(2, 3) # 生成维度为2*3的由0元素组成的张量
>>>
tensor([[ 0., 0., 0.],
[ 0., 0., 0.]])
torch.zeros(5) # 生成维度为1的5个0元素组成的张量
>>>
tensor([ 0., 0., 0., 0., 0.])
torch.zeros(2, 2, 2) # 生成维度为2*2*2的由0元素组成的张量
>>>
tensor([[[0., 0.],
[0., 0.]],
[[0., 0.],
[0., 0.]]])
torch.empty()——创建填充有未初始化数据的张量
torch.empty(*sizes, out=None, dtype=None, layout=torch.strided,
device=None, requires_grad=False, pin_memory=False) → Tensor
Returns a tensor filled with uninitialized data. The shape of the tensor is defined by the variable argument sizes.
返回填充有未初始化数据的张量。 张量的形状由可变的参数大小定义。
参数说明：
- size：空tensor的大小，没有初始化
- out：默认为None
- dtype：数据类型
- layout：内存布局对象
torch.manual_seed(seed)——将随机数生成器的种子设置为固定值
只需要调用torch.manual_seed(seed)，它将随机数生成器的种子设置为固定值，这样，当调用时torch.rand(2)，结果将可重现。
torch.manual_seed(1) # reproducible
print(torch.rand(2)) # 运行多次，得到的随机值是固定的，但如果没有torch.manual_seed(1) ，则结果每次都不同
>>>
tensor([0.7576, 0.2793])
参考链接：python—pytorch-torch.manual_seed(1)的作用
torch.mm(a, b)——矩阵a和b矩阵相乘
torch.mm(a, b)是矩阵a和b矩阵相乘
norm(x)——计算向量x的模长
norm(X)如果x是一个向量,那么norm(x)就等于x的模长
torch.ones_like()——创建填充了标量值1的张量
torch.ones_like(input, dtype=None, layout=None, device=None, requires_grad=False) → Tensor，返回一个填充了标量值1的张量，其大小与之相同 input。torch.ones_like(input)等价于 torch.ones(input.size(), dtype=input.dtype, layout=input.layout, device=input.device)